WWWJan, 2019

知识图谱增强推荐的多任务特征学习

PDF
TL;DR本文提出了一种基于知识图谱增强的推荐系统的多任务特征学习方法，MKR，该方法使用交叉压缩单元将推荐任务与知识图谱嵌入任务联系起来，共享潜在特征并学习推荐系统中的物品与知识图谱实体之间的高阶交互作用，结果表明 MKR 能够在多个任务上取得有实际意义的改进。
发现论文，激发创造
  • 知识图谱上的深度学习在推荐系统中的应用：综述

    本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向，重点讨论了核心组件 —— 图嵌入模块，以及它们如何解决实际推荐问题，例如规模扩展，冷启动等，并总结了常用的基准数据集、评估指标和开源代码。

    Mar, 2020

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 利用知识图谱提供附加信息以提高推荐准确性的应用

    本研究采用知识图谱来优化推荐算法，提供更加个性化的推荐解决方案，并在实验中验证了其显著的性能优势，对于领域（如电影推荐）的个性化推荐具有参考价值。

    Jan, 2021

  • MMKGR: 多跳多模态知识图谱推理

    本研究提出了一种名为 MMKGR 的新型模型，其中包含一种统一的门 - 关注网络和一种补充特征感知的强化学习方法，通过有效的多模态补充特征和多次迭代推理，能够更好地实现知识图谱方面的任务，与现有方法相比推理性能更好。

    Sep, 2022

  • 基于 Ripple 知识图谱的卷积神经网络推荐系统

    该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。

    May, 2023

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • 多层共享知识引导的知识图谱补全学习

    利用多级共享知识指导学习方法（SKG）在数据集级别通过文本摘要识别实体集合内的共享特征，而在任务级别则利用动态调整的损失权重提出了一种创新的多任务学习架构，有效缓解了子任务间知识共享不均衡的问题。实验证明 SKG-KGC 在三个知名数据集上显著优于现有基于文本的方法，尤其在 WN18RR 数据集上取得了显著提升。

    May, 2024

  • 元知识图谱上的元学习用于冷启动推荐

    本文提出了一种基于元学习方法的知识图谱推荐模型 MetaKG，通过协作感知元学习和知识感知元学习解决了冷启动问题，并通过实验表明 MetaKG 在效果、效率和可扩展性等方面超过现有的模型。

    Feb, 2022

  • AI 助手应用中的零样本和多领域推荐的多任务知识增强

    本文提出了一种利用用户在其他领域的交互信息以及外部知识图谱的思想来改进新领域推荐的方法，并在虚拟助手应用程序中的三个领域（视频、音乐和图书）的大量用户请求的数据集上证明了该方法的优势。

    Jun, 2023